[发明专利]一种基于有监督对比学习的多阶段渐进式混合失真图像复原方法

说明书

本发明公开一种基于有监督对比学习的多阶段渐进式混合失真图像复原方法，构建的网络模型由三个阶段组成，利用编码‑解码器体系结构学习上下文特征，并将相邻的两个阶段进行组合，实现早期阶段和晚期阶段之间的信息交换。每个阶段引入逐像素自适应设计，在特征处理块之间增加水平连接，避免信息丢失；此外，采用双池化通道注意块来推断更精细的通道注意，提高网络的表示能力，然后为模型设置正类和负类，构造适当的对比学习损失函数，从而在特征空间中进一步修正输出，能够同时去除图像中的噪声并恢复原本模糊的细节。

技术领域

本发明方法涉及一种失真图像复原方法，尤其是一种基于有监督对比学习的多阶段渐进式混合失真图像复原方法。

背景技术

在图像采集和传输过程中，原始图像通常会受到采集设备引起的各种失真的污染，如图像噪声、伪影或模糊等。图像噪声是由于异常干扰信号而降低图像的信噪比，影响图像的密度分辨率，使图像呈现斑驳、颗粒状、纹理状或雪花状等各种视觉现象；伪影或模糊是由于设备与所拍摄物体之间的相对运动而产生的，包括拍摄时物体或人体的运动。尤其是对于那些需要使用高精度仪器进行拍摄的生物图像来说，操作不当或者设备不佳都十分容易导致图像失真，使一些组织边界或精细结构难以识别，大大降低图像质量，从而影响研究，故需要对此类图像进行复原。目前，图像复原技术已应用于包括医学图像处理、卫星图像处理、生物研究等许多领域。传统的图像复原方法包括非局部均值、字典学习等，在图像去噪、图像超分辨率、图像去模糊等单一失真图像恢复任务中取得了良好的效果。而后，随着深度学习的迅猛发展，许多基于神经网络的方法也在各种图像恢复任务中都取得了良好的效果。比如使用卷积神经网络（CNN）进行图像超分辨率重建，使用改进的U-Net学习低分辨率和高分辨率图像之间的端到端映射，在超分辨率和去噪任务中都是有效的。或是使用生成对抗网络（GAN），通过解纠缠表示和对抗域自适应从噪声数据中学习不变表示，同样也取得了良好的性能。然而，这些方法需要在不同的失真图像中进行训练，一次只能去除一种特定的失真，对于包含混合失真的图像来说，复原效果欠佳。另外，现有图像复原方法往往使用自然图像进行训练和测试，因此更适用于自然图像的复原，而对于结构、颜色、风格上与自然图像大相径庭的生物图像来说，复原效果欠佳。

发明内容

本发明是为了解决现有技术所存在的上述技术问题，提供一种基于有监督对比学习的多阶段渐进式混合失真图像复原方法。

本发明的技术解决方案是：一种基于有监督对比学习的多阶段渐进式混合失真图像复原方法，是将待复原的图像输入网络模型中完成图像复原，所述网络模型依次按照如下步骤建立：

步骤1：制作训练集

步骤1.1：取M张SIDD数据集GT图像，每张图像记为GT_Img1，GT_Img2，...，GT_ImgM；

步骤1.2：将图像GT_Img1，GT_Img2，...，GT_ImgM分别切成50个分辨率大小为256×256的图像块作为清晰图像块并保留，每个清晰图像块分别记为GT_Block1，GT_Block2，...，GT_BlockN，再取一份与清晰图像块相同图像快，每个图像块依次对应记为Preprocess_Block1，Preprocess_Block2，...，Preprocess_BlockN；

步骤1.3：向图像块Preprocess_Block1，Preprocess_Block2，...，Preprocess_BlockN中分别加入角度θ为10，长度l为10的运动模糊，记为Blur_Block1，Blur_Block2，...，Blur_BlockN；

步骤1.4：向图像块Blur_Block1，Blur_Block2，...，Blur_BlockN中分别加入sigma值为25的高斯噪声，记为失真图像块Distorted_Block1，Distorted_Block2，...，Distorted_BlockN；

步骤1.5：选取N个清晰图像块和N个失真图像块并按顺序对应为清晰图像和失真图像对，记为，作为训练集；

步骤2：训练网络

步骤2.1：将训练集，输进网络；